在数据分析的工作流程中，贝叶斯统计发挥着怎样的作用？相较于频率统计，它在方法论上存在哪些核心差异？

回答思路

1. 【回答框架 1】贝叶斯统计的核心是将参数视为随机变量，通过先验分布和似然函数，利用贝叶斯定理计算后验分布。在数据分析中，它能够结合历史信息或主观判断，给出参数的概率分布，而非单一估计值。
2. 【回答框架 2】频率统计将参数视为固定但未知的常量，推断基于数据的重复抽样分布，如置信区间和p值。它强调数据的客观性，不引入先验信息。
3. 【回答框架 3】在数据分析中，贝叶斯方法适用于小样本、在线学习或需要融合先验知识的场景，如A/B测试中的序贯决策。频率方法则更常用于经典假设检验和需要客观性的常规分析。
4. 【回答框架 4】实际应用时，贝叶斯统计计算复杂度高，通常需要数值方法，而频率方法计算相对简单。选择哪种方法取决于问题背景、数据量和计算资源。
5. 【关键点 1】贝叶斯统计将参数视为随机变量，结合先验与似然得到后验分布。
6. 【关键点 2】频率统计假定参数固定，依靠抽样分布进行推断。
7. 【关键点 3】贝叶斯方法天然支持逐步更新和因果解释，频率方法强调长期频率性质。
8. 【易错点 1】先验选择不当可能导致结果偏差，需进行敏感性分析。
9. 【易错点 2】贝叶斯结果对先验敏感，不应无条件宣称其绝对客观。